访客聚类

通过访客聚类，您可以利用客户特性对访客进行动态分类，并基于选定的数据输入生成聚类集，从而识别具有相似兴趣和行为的群组，以便进行客户分析和定位。

聚类流程

聚类流程需要您识别可用作输入的量度和维度元素，并允许您选择一个特定目标人群，以应用这些元素创建指定的聚类。在运行聚类流程时，系统会使用量度和维度输入，为指定数量的聚类确定正确的初始中心。这些中心此后将作为应用 K-Means 算法的起点。

• 通过 Canopy 聚类传递，可智能化地选择初始中心。
• 通过将每个数据点关联到最近的中心，可创建数据聚类。
• 每个 K 聚类的均值将成为新的中心。
• 在步骤 2 和 3 中重复此算法，直到实现聚合为止。这可能需要多次传递。

The Maximum Iterations in the Options menu allows the analyst to specify the maximum number of iterations to be performed by the clustering algorithm. 设置此选项，可能会以降低聚类中心聚合的准确度为代价，更快地完成基于最大迭代上限的聚类流程。

In the Cluster Builder, you can select Options > Algorithm to select algorithms when defining clusters. 目前，有3种支持的算法：

• KMeans
• Kmeans++
• 期望最大化

有两种方法可运行群集过程：

• 方法1 —— 在群集 Go 可视化窗口中单击。
• 方法2 —— 在群集 Submit 可视化窗口中单击，该窗口将群集作业直接发送到服务器。 您可以通过“查询的详细状态”选项跟踪进度。

该算法具有以下限制：

1. 如果您使用方法1，则可以选择任何支持的聚类算法。
2. 如果您使用方法2，则可以选择kmeans或kmeans++。 “期望最大化”(Expectation Maximization)选项将不可用。

推荐

迭代次数（扫描数据的次数）和您配置的收敛阈值会严重影响群集性能。 下表提供了更广泛的指导原则，您可以遵循这些原则：